人工智慧技術正推動醫學領域持續進步,最近華盛頓大學團隊就展示了最新開發的深度學習軟體 Omnipose,在先進技術協助下,Omnipose 不僅達成原本協助辨識顯微鏡影像中各種微小細菌的目標,更進一步能在影像中辨識出細菌以外的微小生物,未來將有望成為多領域顯微影像解讀上的一大助力。
Omnipose 可識別細菌更精細的物理特徵
Omnipose 是華盛頓大學物理學研究生 Kevin J. Cutler 與其團隊所共同開發,透過使用大型細菌影像數據庫訓練,Omnipose 除了消除其前身 Cellpose 的一些錯誤,在表徵和量化培養皿中的混合微生物方面更是青出於藍。
不同細菌在形狀及光學特性上都存在差異,而 Omnipose 在辨識這些微小差異上表現出色,同時還可以識別像是分支、細絲和附屬物等更精細的物理特徵,即使細菌因抗生素治療或化學物質的拮抗作用(antagonism)形狀出現極端變化,Omnipose 也不會輕易被欺騙,在進一步的實驗中,Omnipose 甚至能辨別出因細胞毒性形狀略微改變的大腸桿菌(E. coli)。
為了探索 Omnipose 的實用範疇,研究團隊還利用在遺傳、神經科學中常見的秀麗隱桿線蟲(C. elegans)顯微影像進行了測試,儘管秀麗隱桿線蟲具有與細菌類似的細長形狀,還會因伸展、扭曲等運動形狀產生改變,Omnipose 還是能從影像中成功辨識出來,研究人員認為,這正展現出 Omnipose 在更多需要顯微影像辨識的相關研究領域中的應用潛力。
以單像素精度來定義細胞邊界
目前 Omnipose 在處理影像上仍有一些限制,如果樣本的微生物群落過於擁擠,導致 2D 顯微影像上出現重疊,就可能影響判讀結果。同時其他測試也發現,低於特定閾值的細菌也可能讓 Omnipose 難以進行判定。
儘管有著這些缺點,Omnipose 仍展現出一些獨特優勢,能夠辨認出過去類似工具難以辨識的細菌類型,團隊因此認為,Omnipose 仍是一種極具潛力的解決方案,能協助回答相關研究人員在細菌細胞生物學中的各種問題。
即使是在顯微影像中,許多細菌的細胞體還是僅由少量像素組成,科學家正在研究如何讓辨識達到單像素(Single-pixel)尺度的高精準度,才能正確定義細胞邊界並掌握更多訊息,而透過深度神經網路、高精度分割演算法開發的 Ominpose 在定義邊界上的精確度正好能夠協助達成目標。
研究團隊已公開 Omnipose 的源代碼、訓練數據、模型以及使用說明,提供傳統研究實驗室使用。團隊成員認為,Omnipose 在各種細胞形態和模式上的高性能表現,將協助科學家從以前無解的顯微鏡影像中找到訊息,「我們相信,這將改變生物影像分析的遊戲規則。」
延伸閱讀:組織活體檢驗將成為過去式?新 3D 顯微鏡技術即時讀取體內器官的組織影像!參考資料:
1. Nature Methods ,2022,https://doi.org/10.1038/s41592-022-01639-4
2. https://newsroom.uw.edu/news/deep-learning-tool-identifies-bacteria-micrographs
©www.geneonline.news. All rights reserved. 基因線上版權所有 未經授權不得轉載。合作請聯繫:[email protected]